Sayın Ozan Kaan KARAMIK, Linkedin’de “Çok acil, olmazsa olmaz denilip iş listesinin en önüne konan ama geliştirildikten sonra kimsenin kullanmadığı özellikler…” konulu bir mesaj iletmiş. Lütfen önce mesajın tamamını ve benim birkaç satırlık yorumumu okuyunuz.

Çok önemli bir konu olduğu için, mesajın altına uzun yorum yazmak yerine kendisinden blog yazısıyla yanıtlama izni istedim.

Bir blog yazısına sığdırmak için, aslında veri ambarı nasıl hazırlanır konulu kitap olmaması amacıyla bu yazıyı kısa tutmaya çalıştım. Çok önemli ve kapsamlı bir konu olduğundan, daha fazla ayrıntı öğrenmek istiyorsanız yazıda geçen her referans bağlantıya tıklayıp okumanızı öneririm. (Sonra yine bu yazıya geri dönmeyi unutmayın. Bağlantılar labirentinde kaybolmayın. 😊 )

Teşhis

Ozan Kaan KARAMIK’ı desteklememim nedeni şudur: “Çok acil”, “olmazsa olmaz” diye iş listesinin başına koyulan ama neredeyse hiç kullanılmayan özellikler, CRM ve BI projelerinin (IT değil) iş birimi tarafını yöneten kişi olduğumda benim de çok rahatsız olduğum konulardan biriydi.

Sorunun nedenleri şunlardır:

1. İş birimlerinin çoğunluğu IT’den bekler ama verinin bilgiye dönüştürülmesinin sorumluluğu IT’de değil, bilgiyi talep eden iş birimindedir. (Plaza ingilişcesinde göre “business unit”)
2. Verinin sahibi farklı birim olabilir ama bilginin sahibi talep eden iş birimidir. (Ozan Kaan beyin dediği gibi “Verinin sahibi ile bilginin sahibinin ayrışması meselesi az konuşulan ama sahada çok yaşanan bir durumdur.”
3. Bilgiyi talep edenin, o bilgiyi nerede ve nasıl kullanacağına dair bir taahhüdü olmalıdır.

😉

Çözüm

Yukarıdaki paragraftaki konuları sırayla ele alalım.

İş birimi, hangi bilgiye ihtiyacı varsa önce o bilginin tanımını yapar. Aşağıda vereceğim örnek için aktif, inaktif ve kayıp müşteri tanımlarının yapılmış olması gerekiyor. (İlgili yazılar: [1] , [2] )

Bu tanımlar, en azından verilerin bilgiye dönüşmüş halidir. İş birimi bilginin hangi verilerin bir araya getirilerek oluşturulması gerektiğini de bilmek zorundadır. Bunu IT’den talep ederken, gerekli ayrıntıları belirtir.

Aşağıda yangın sigortası için hazırlanmış bir örnek var.

Dikkat etmişsinizdir. Güncelleme sıklığı da iş biriminin kararıdır. Tanımlar oluşturulurken elbette IT ile birlikte çalışılır ama son karar iş birimine ait olmalıdır.

😉

Bazı ürünler, karmaşık özelliklere sahip olabilir. Örneğin BES ödemeleri aylık olmak zorunda değildi. Farklı zaman dilimlerinde ödeme yapılıyordu. Bu durumda tanımlar uzayabilir.

Evet Ama Yetmez

Yukarıdaki (ayrıntılı görünen) tanımların en sağ tarafına (veya bu tanımların ayrılmaz parçası olan ayrı bir dosyada) bu bilginin ne amaçla istendiği de yazılmalıdır.

Bir dönemlerin ürün özelliklerini Türkiye’ye tanıtmak için hazırlanan reklamında “Ne yapacaksın bununla?” sorusu vardı. Bu soru, müşteri odaklı veri ambarı (MOVA) oluşturmanın en temel sorusudur. Unutmayın, veri ambarına çöp doldurursanız çöp alırsınız.

İş birimi “Bu bilgiyi

• Müşteri ekranında kullanacağız,
• Ödeme gecikmesi olduğunda hatırlatma mesajı göndereceğiz,
• Aktif olmaktan çıkarsa müşteri geri kazanım projesi yapacağız [a] , [b],
• Sigorta süresi bitmeden önce uzatma mesajı göndereceğiz,
• Sigortalanan ürün doğrultusunda müşterinin gelir / varlık potansiyelini hesaplayacağız,
• Çapraz satış teklifinde bulunacağız,
• Raporlarımızda kaç yangın sigortası müşterimiz var kısmında göreceğiz,
• vb… (muhtemelen siz daha fazlasını eklersiniz)

amaçları doğrultusunda kullanacağız” diye taahhütte bulunmalıdır.

Böylece hem kendilerine bir yapılacak işler listesi, hem de diğer ilgili taraflara önceliklendirme gerekçesi sunmuş olur.

Bilginin sahibi olması gereken birim/bölüm, bilginin ne zaman ve ne kadar gerekli olduğunu analiz edecek birikime sahip olmak zorundadır. Bu hazırlık sayesinde sadece bir defa gerekli olan bilgiyi hep gerekli sanmaz.

Kurumun IT Yürütme Komitesi’nde kullanımların tartışılması ve “Madem kullanmayacaktın, öyleyse neden bu kadar ısrarla istedin. Bunca emek harcanmasına neden oldun” diye hesap sorulması gerekir. Pahalı bir kaynak olan IT emeğinin etkin kullanılması sağlanır.

Projedeki Yeri

Yukarıda anlattıklarım, müşteri odaklı veri ambarını (MOVA) oluşturma sürecinin resimdeki ARINDIRMA ve ANLAMLANDIRMA aşamasının küçük bir parçasıdır.

ARINDIRMA ve ANLAMLANDIRMA çok önemlidir. Bir şehrin suyunu kaynağında arındırırsanız, herkes evine su arıtma cihazı koymak zorunda kalmaz. Benzer şekilde, veriyi kaynağında (işletim sistemlerinden MOVA’ya aktarırken) arındırıp anlamlandırırsanız, her departman / silo kendi excel tablolarını üretmek zorunda kalmaz, herkesin aynı dili konuşacağı ve aynı doğruyu bulacağı raporlar oluşur.

Yukarıdaki şekil, MOVA eğitiminde kullandığım 4 sayfanın birleştirilmiş hâlidir.

MOVA hakkında daha geniş bilgi arıyorsanız:

[A] – İşlevsel veri ambarları ile MOVA farkı
[B] – MOVA oluşturmaya nasıl başlanıldığı
[C] – MOVA’nın neden önemli olduğu
[D] – 2013’de MOVA olmadan Sosyal CRM olmayacağına dair alıntıyı
[E] – 2016’da MOVA olmadan Dijital Dönüşüm olmayacağına dair alıntıyı

okuyabilirsiniz.

Dahası Var

Şurada Sn. Ömer Mert, Gartner’ın Market Guide for Agentic Analytics raporu nu özetliyor ve “Dönüşümde kalıcı başarı yalnızca güçlü modellerle mümkün değil.

• Güvenilir veri mimarisi,
• tutarlı bir semantik yapı ve
• sağlam yönetişim

bu dönüşümün temelini oluşturuyor” diyor.

====================

Burada Sn. Sibel Akoğlu hazırladığı infografiği açıklarken “Bütün bu mimari yaklaşımın, çoğu kaynakta CDP olmadan sağlıklı çalışmadığını okuyacaksınız. Silolaşmış veri malesef başımızın belası. Agent’ı doğru zamanda doğru müşteriye yönlendirmek istiyorsanız, bu kurgu için iyi bir CDP yapısı şart.” diyor. (CDP = MOVA)

Reklamlar

CRM eğitimlerime katılanlar, çeşitli sektör gruplarına ayrılırlar. Seçilen sektörde CRM projesi yapıyor gibi ilerleriz. Ödevlerden biri o sektörde veri sözlüğü hazırlamaktır. Elbette bir derste tüm bir kurumsal MOVA sözlüğü hazırlanamaz ama temel kavramlar oluşturulur.

Yıllardan beri CRM eğitimi verdiğim için, çok sayıda sektörün veri sözlüğünün ilk aşamalarına ait bilgiler bulunuyor.

====================

Ayrıca, CRM ve/veya BI projesi yapan bazı kurumlarda

• IT ekiplerine “İş birimleriyle çalışma”
• İş birimlerine “IT ile birlikte çalışma”

eğitimleri vermiştim. Bu eğitimlere ihtiyacı olan çok sayıda şirket olduğunu düşünüyorum. Büyük bir veri veya dönüşüm projesi yapacaksanız, aklınızda olsun.

😉

Linkedin’de yayınlandı

Zaman buldukça, veri ve bilgi yönetimi konusundaki etkinliklere katılmaya çalışıyorum. Hem kendi bilgi birikimimi arttırmaya çalışıyorum, hem de bu konuda uzmanlarla tanışma fırsatı buluyorum.

Veriler gündemimize giddiği zaman başlayan, giderek artan bir hastalık olduğunu düşünmeye başladım. Başkasının verilerine imrenme hastalığı.

---

Not: Bu vesileyle, son zamanlarda katıldığım konferanslarda duyduğum bazı yeni (çoğunlukla cep telefonu ve sosyal medya bağlantılı) hastalıkları burada sıralayayım.

• FOMO – fear of missing out “eyvah, bir şeyler kaçırıyorum” hastalığı
• Nomofobi – “no mobile” korkusu – cep telefonundan uzak kalamama hastalığı
• Mitomani – kendi söylediği yalana inanma hastalığı

---

Verilerle ilgili tutku ve hastalıklar yeni değil. Veri sarhoşluğu kavramıyla, 18 sene önce tanışmıştım.Veriyle neler yapılabileceğini gören birinin, “şunu da bulayım, bunu da modelleyeyim” diye temel amacı unutup veriden çıkamamasına deniyor.

Tıpkı derinlik sarhoşluğu… derinlikteki güzelliğe kapılıp oksijenin bitme zamanını unutması gibi…

😉

Başkasının verilerine imrenme hastalığını anlatayım.

Yıllardan beri bankacılar “kredi kartı bilgisinde nereden alışveriş yaptığı var ama ne aldığı yok” diye süpermarketlerin verilerne imrenirler.

Elin adamı ABD’de, sadece alışveriş yapılan yerlere bakarak 2 yıl içinde boşanacağını ve nafaka nedeniyle kredi borcunu ödeme güçlüğü çekeceğini modellemiş… Sen önce “mevcut verilerle yapılacaklar bitti” diyebilecek duruma gel; sonra başkasının verilerine imren.

Sanırım kimse bunu dile getirmiyor. Çoğunlukla “Ah o veriler bizde olsa…” diye yakınanları duyuyorum.

Bir başkasını geçen hafta duydum.

Büyük perakendecilerimizden birisinin pazarlama yöneticileri, telekom operatörlerine gidip dertlerini anlatmışlar.

“1600 mağazaları varmış. Her sene 200 mağaza açıp, yine 200 civarında mağaza kapatıyorlarmış. “Artık mağaza yer seçiminde daha veriye dayalı düşünmeye karar vermişler”

Artık “veriye dayalı düşünme” kararı vermeleri güzel. Alkışlıyorum. Ne var ki…

Yıllardan beri bin küsür mağazanız varken verileri toplamadınız, mağaza kapatıp açarken  varsayımları, gerekçeleri ve sonra da yanlış çıkan varsayımları sıralamadınız; geçmişe dönüp “nerede hata yapmışız” diye incelemediniz… şimdi de gidip telekom operatöründen yardım mı alacaksınız.

😉

Bir diğerini daha önce yazmıştım.

Büyük bankalarımızdan biri 400 bin TL vermiş ve telekom operatöründen veri satın almış. Teklifte bulunmuşlar. Verdikleri kredi bu rakamın %10’unu biraz geçmiş.  Krediden %3-5 kazandıklarını düşünürseniz, paranın havaya gittiğini hemen anlarsınız.

Sen ülkenin en büyük bankalarından birisin. Elindeki verilerle “en verimli olabilecek müşteri modeli” oluşturamamışsın. Bu konuda birkaç kere deneyler yaparak modeline ince ayar vermemişsin. Sonra ciddi bir serveti telekom operatörüne aktarmışsın.

Telekom operatöründen yardım istemeden önce “veriye dayalı düşünen” aklın neredeydi diye sormadılar mı?

---

Not: Telekom operatörlerinin büyüsüne yakalanan kurumlara şu yazıyı okumalarını öneriyorum.

• GSM operatörleri, kendileri için bile anlamlı teklifler üretemezlerken, sizin için en iyisinin telekom verileri olduğuna nasıl karar veriyorsunuz.

---

Birçok kere yazdım. “Acemi nalbant komşu eşeğinde ustalaşır” atasözü, CRM için söylenmiş gibidir.

Başkasının verilerine özenenlerin çoğunluğu, kendilerinin ilk elden sahip olduğu verileriyle ustalaşmamışlardır.

.

Dün, Kategori Mağazacıları Derneği KMD‘nin 1 Ekim Salı tarihindeki Perakende Teknolojileri Konferansı etkinliğinde yaptığım konuşmayı yayımlamaya başlamıştım.

Bugün devamı:

”

Lokasyon teknolojileri dedikleri çeşitli uygulamalar var. RFID veya NFC veya bir başkasını seçmeden önce kendi ihtiyacınızı tanımlayın. AVM’nin en dibinde bir dükkanınız var ve AVM’ye girip sizi göremeyen müşterilerin dikkatini çekmek istiyorsunuz. Veya devasa dükkanınızın birçok farklı köşesinde farklı ürünlerde kampanyalarınız var ve doğru kişinin onlara gelmelerini istiyorsunuz. Teknolojiye karar vermeden önce senaryolarınızı oluşturun ve işe yarayıp yaramayacaklarını sınayın. Böylece sadece doğru teknolojiyi değil, doğru yöntemi de seçersiniz.

Bu gördüğünüz, “O köşeye komodin mi yoksa etajer mi koymalıyım?” kararını kolaylaştıran bir uygulama.

Aynı teknoloji, perdelerin rengini ve desenini seçerken, koltuk döşemelerine karar verirken, satın aldığınız büyük tablonun arkasındaki duvarın rengini belirlerken kullanılabilir. Önce müşteri ihtiyacını belirleyin. Sonra size en uygununu seçin.

😉

Akıllı aynalar sayesinde elbiseyi giymeden size yakışıp yakışmayacağına karar verebiliyorsunuz.

Hangi ruj renginin uyacağına, saç rengine ve biçimine… Hatta arkadaşlarınıza sorup fikirlerini alabiliyorsunuz. Yakında, elini kolunu garip şekilde sallayan birilerini gördüğümüzde yadırgamayacak, “akıllı aynanın önünde elbise denediğini” anlayacağız.

Vücudun veya yüzün çeşitli noktalarını (16 bin noktayı) algılayıp karşılaştırma yapan teknoloji, özellikle havaalanlarının güvenliği için geliştirilmişti. Saniyeler içinde, suçlu veri tabanı ile karşılaştırma yaparak, tehdit unsurlarını saptıyordu.

Bu teknoloji şimdi ticarileştirildi ve mağazadaki müşterilerin ruh halini anlamakta kullanılıyor.

Müşteri kararsız mı kaldı, hayal kırıklığına mı uğradı, incelediği ürünün etiketini okuduğunda beklediğini bulamadı mı?…Tereddütlü mü, beğendi mi?

Hangi ürünlerin önünde daha fazla zaman harcıyor, hangi üründen sonra diğer hangi ürüne bakıyor?…

Bu kameralar sayesinde sürekli veri toplanabiliyor. Bu kameraların olması, dijitalleşmedir. Bu kameraları kullanarak elde edilen verileri bilgiye, bilgiyi de içgörüye dönüştürebiliyorsanız, o zaman dijitalleşmeyi aşmış ve dijital dönüşüme başlamış olursunuz.

• Not: Bu noktada, dijitalleşme ve dijital dönüşüm arasındaki ilişkiyi (daha önce yayımladığım) tuvalet örneği ile anlattım. Oturum sonrasında aldığım geri bildirimlere göre, bu örnek çok beğenilmiş.

Her hareketi yakalayan teknolojiler yetmiyor. Bu verinin bilgiye ve sonra da içgörüye dönüşmesi için, başka paydaşlar da gerekiyor. Artık satır ve sütunlardan olmayan veriler oluşuyor. Dolayısıyla, veri madenciliği gibi video madenciliği de zorunlu oluyor. Bu firma, videoda elde edilen görüntüleri veriye, veriyi de bilgiye dönüştürüp, müşteri içgörülerini yakaladığını söylüyor.

Veri analiziyle sadece duygu-durum göstergelerini değil, optimum patikayı ve müşteri deneyimini iyileştirecek noktaları da bulmamızı sağlıyor.

(Devamı var [3])

.